提出了一种连续时间事件的概率模型，采用触发后继事件泊松过程的方法对观察到的事件进行建模，并使用EM算法进行高效推理，可以作为分布式算法实现，可用于模拟推特消息和维基百科的修订历史。

Mar, 2012

研究了社交网络中内容传播的可预测性，提出了一种新的预测框架 Deep Temporal Context Networks (DTCN)，并在 Flickr 图片数据集上的实验结果表明其比现有算法预测热度的准确性更高。

Dec, 2017

本文提出了一个名为Multi-scale Temporalization的新的计算框架，通过多尺度分解和结构重构来估计基于用户、帖子和时间的张量空间中的流行度，从而整合多个时间尺度动态来预测社交媒体影响力。通过在两个大规模Flickr图像数据集上进行实证评估，结果表明我们的方法在预测准确性方面具有明显的优势。

Dec, 2017

在这篇论文中，我们提出了一种名为CoupledGNN的新方法，该方法使用两个耦合的图神经网络来捕捉节点激活状态和影响传播之间的相互作用，从而精确地预测社交平台上的信息传播。我们在Sina Weibo数据集上进行的实验证明，与各种现有方法相比，我们的方法显著提高了流行度预测的准确性。

Jun, 2019

本文综述并分类信息流行度预测方法，包括特征工程、随机过程、图表示和基于深度学习的方法，并总结了现有研究的优缺点以及该领域的挑战和机遇。

May, 2020

基于时间嵌入的级联注意力网络（TCAN）是一个面向大规模信息网络的新型流行度预测架构，通过将时间属性嵌入到节点特征中，并利用级联图注意力编码器（CGAT）和级联序列注意力编码器（CSAT）来完全学习级联图和级联序列的表示，从而实现对信息流的预测。

Aug, 2023

社交网络上的信息传播预测旨在预测消息的未来接收者，在营销和社交媒体方面有实际应用。我们提出了一个基于信息熵的度量来量化扩散数据的随机性，然后发现了随机性和模型预测准确性之间的缩放模式。该性能特征曲线提供了一种系统评估模型性能的新方法，为模型评估的未来研究提供了新的视角。

Sep, 2023

本文提出了一种名为HierCas的层级时序图注意力网络框架，通过动态图模型方法对整个级联图进行操作，能够捕捉连续动态信息的全范围，并明确建模结构和时间因素的相互作用。通过利用时间感知节点嵌入、图注意机制和层级池化结构，HierCas有效地捕捉了复杂级联中隐含的流行趋势。在不同情景下对两个真实世界数据集进行的广泛实验表明，我们的HierCas明显优于最先进的方法。

Oct, 2023

我们通过将扩散过程视为连续时间动力系统，建立了一个连续时间扩散模型，以此来推断潜在的网络结构，并且通过高级抽样技术提高了影响力估计的可扩展性，FIM在网络推断和影响力估计方面具有显著的效果和优越的可扩展性。

Mar, 2024

本研究解决了信息流行预测中的未来趋势建模问题，重点是未来流行可能呈指数增长或停滞的情况，从而引入预测的不确定性。提出的CasFT方法利用观察到的信息扩散过程和通过神经常微分方程提取的动态线索，生成未来流行趋势，结合时空模式进行最终的流行预测。实验结果表明，CasFT在不同数据集上显著提高了预测准确性，提升幅度达到2.2%-19.3%。

Sep, 2024